Stacking Learning for Smart Proxy Modeling in CO<sub>2</sub>–WAG Optimization: A Techno-Economic Approach to Sustainable Enhanced Oil Recovery
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Climate change and greenhouse gas emissions are critical global challenges, driving the need for innovative solutions to reduce carbon footprints while meeting energy demands. This study addresses these challenges by optimizing the CO 2 –WAG (water-alternating gas) injection process, a technique that enhances oil recovery while sequestering carbon dioxide in oil reservoirs. The optimization framework integrates machine learning methods with the non-dominated sorting genetic algorithm II (NSGA-II) to simultaneously maximize cumulative oil production and CO 2 sequestration, minimize water production, and ensure economic viability through the net present value (NPV) objective function. The study employs stacking learning to develop smart proxy models, which significantly reduce computational time while maintaining high accuracy in predicting objective functions. These models are trained on a comprehensive data set generated from reservoir simulations, enabling efficient optimization across diverse reservoir conditions. The NSGA-II algorithm is used to generate a three-dimensional Pareto front, representing optimal trade-offs between the conflicting objectives. To facilitate decision-making, a clustering-based approach is introduced, categorizing solutions into groups such as gold, silver, and bronze based on their performance metrics. The results demonstrate the effectiveness of the proposed framework, with the NSGA-II algorithm producing 500 optimal solutions on the Pareto front. Among these, 60 solutions are identified as gold, offering the best balance between technical and economic objectives. Compared to previous studies, the introduced framework significantly improves computational efficiency and prediction accuracy, reducing optimization time while maintaining high precision in the results. This approach not only enhances the accuracy of CO 2 –WAG optimization but also provides a scalable and adaptable framework for sustainable oil recovery and carbon management in various reservoir settings.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».